Resumen de Automatic gait analysis for human characterization and recognition
En la última década, el interés por el análisis automático de la forma de andar de humanos ha aumentado considerablemente debido a sus importantes ventajas con respecto a otras características biométricas, siendo las más relevantes su naturaleza no intrusiva y la posibilidad de ser capturada a distancia con dispositivos sencillos.
Además, la forma de andar no es sólo un rasgo distintivo útil para la identificación humana, sino que también permite inferir otras características como el género o el rango de edad del individuo. Sin embargo, las tasas de identificación/reconocimiento que se obtienen actualmente con la forma de andar son todavía bajas en relación a las que proporcionan otras características biométricas más maduras como la cara o la huella dactilar. La causa principal es que existen diversos factores que pueden afectar al patrón de movimientos del individuo (tipo de superficie, lesiones físicas, envejecimiento, etc.) o a su apariencia (punto de vista desde el que se percibe, cargar objetos, vestimenta, etc.), siendo ambas fuentes de información necesarias para identificar a una persona por su forma de andar.
En esta tesis, se proponen dos nuevas representaciones de individuos por su forma de andar. La primera es una representación basada en un modelo estructural del cuerpo humano que recoge la apariencia y los movimientos de partes del cuerpo específicas a través de regiones que las ajustan de forma realista basándose en conocimientos anatómicos. La segunda es una representación libre de modelo que representa diversas poses claves que se suceden mientras un individuo camina, y que permiten entender cómo varían su apariencia y sus movimientos a lo largo del tiempo. Ambas representaciones proporcionan tasas de reconocimiento competitivas en comparación con las del estado del arte tanto para identificación humana como para la estimación de género a partir de la forma de andar.
Centrándonos en la tarea de estimación de género, analizamos como tratar el problema del número desigual de muestras por clase/género (desbalance de clases). En nuestra investigación abordamos un problema de desbalance extrínseco causado por decisiones de diseño de las bases de datos de referencia con muestras de individuos caminando, las cuales fueron creadas con el propósito de estudiar la identificación humana en lugar de la estimación de género. Sin embargo, algunos contextos reales podrían tener un desbalance de naturaleza intrínseca debido a la presencia mayoritaria de individuos de uno de los dos géneros. Este problema es a menudo ignorado o parcialmente tratado, pero una solución completa es conveniente ya que puede afectar gravemente al rendimiento de los clasificadores estándar y conducir a resultados engañosos. En este trabajo proponemos una estrategia para tratar el problema de clasificación de género en presencia de desbalance, con la cual se obtuvieron resultados muy prometedores comparados con los que aportan las metodologías tradicionales.
%una estrategia para tratarlo y medidas de rendimiento imparciales que demuestran ser adecuadas en base a los resultados prometedores que se obtienen.
Quizá nuestras aportaciones más relevantes sean aquellas que acercan el análisis de la forma de andar a aplicaciones reales, área en la que realizamos contribuciones en 3 direcciones principales.
Por una parte, proponemos un novedoso sistema de clasificación que permite mitigar la negativa influencia de los factores que se han mencionado previamente. Este sistema consiste en un esquema de transferencia de aprendizaje basado en ranking capaz de aprender qué características son más invariantes respecto a dichos factores desde un conjunto de entrenamiento auxiliar. Después, este conocimiento es transferido a la etapa de clasificación para mejorar la robustez del ranking.
Este marco de clasificación demuestra ser especialmente efectivo para configuraciones experimentales realistas y desafiantes/exigentes donde la cooperación de los individuos no se asume, de forma que los factores que aparecen en los conjuntos de aprendizaje y de evaluación se distribuyen de forma arbitraria.
Por otra parte, desarrollamos un marco de clasificación probabilístico que mide en qué grado una muestra de test de un individuo caminando es diferente respecto al conjunto de aprendizaje, tanto globalmente analizando la representación de la forma de andar completa, como localmente analizando partes del cuerpo claves.
Los resultados demuestran que las medidas de complejidad propuestas pueden ser estimadores útiles para predecir la dificultad con que se clasificará una muestra de prueba, ya que se observa una clara correlación con las tasas de error de los diferentes clasificadores.
Finalmente, estudiamos cómo influye el número de ciclos de la forma de andar considerados en la robustez y efectividad de una representación de la forma de andar, y proponemos una solución de compromiso que asegura una identificación efectiva del individuo por su forma de andar en el menor tiempo posible.
